Page 54 - FoodFocusThailand No.246 October 2026
P. 54
SOURCE OF ENGINEER
Ashtiani และ Martynenko (2025) วัิเคร�ะห์ก�รใชื่้ Soft Sensor เมื่่�อมื่ีแบบจำำ�ลองพลวััตที่ี�เชื่่�อถื่อได้้ Model Predictive Control
ในก�รอบแห้งอ�ห�รและชื่ี�ให้เห็นควั�มื่ที่้�ที่�ยสำ�คัญ ได้้แก่ (MPC) ส�มื่�รถืใชื่้ข้้อมืู่ลด้ังกล่�วัเพ่�อค�ด้ก�รณ์์ผลในชื่่วังเวัล�ข้้�งหน้�
ก�รสอบเที่ียบและก�รรักษ�ควั�มื่แมื่่นยำ�เมื่่�อผลิตภัณ์ฑ์์หร่อ เล่อกก�รปรับสภ�วัะที่ี�เหมื่�ะสมื่ ใชื่้คำ�สั�งในชื่่วังแรก แล้วัคำ�นวัณ์ใหมื่่
สภ�พแวัด้ล้อมื่เปลี�ยน ด้ังนั�น ก�รมื่ีข้้อมืู่ลถืี�ข้่�นไมื่่ได้้หมื่�ยควั�มื่วั่� เมื่่�อได้้รับข้้อมืู่ลล่�สุด้ เชื่่น ประเมื่ินก�รปรับอุณ์หภูมื่ิหร่อควั�มื่เร็วั
ค่�ประมื่�ณ์จำะน่�เชื่่�อถื่อข้่�นโด้ยอัตโนมื่ัติ ห�กแบบจำำ�ลองอ้�งอิงไมื่่ ส�ยพ�นให้เข้้�ใกล้เป้�หมื่�ยคุณ์ภ�พ โด้ยไมื่่เกินข้้อจำำ�กัด้ด้้�นกำ�ลัง
สอด้คล้องกับผลิตภัณ์ฑ์์ปัจำจำุบัน เคร่�องหร่ออัตร�ก�รเปลี�ยนแปลงข้องกระบวันก�ร ซึ่่�งแนวัคิด้ MPC
ง�นข้อง Pei และคณ์ะ (2025) ซึ่่�งพัฒน�ระบบอบข้ิงด้้วัยรังสี มื่ีมื่�น�นแล้วั แต่สิ�งที่ี�มื่ีก�รพัฒน�เพิ�มื่เติมื่ ค่อ คุณ์ภ�พข้อง
อินฟร�เรด้ไกลร่วัมื่กับลมื่ร้อนและใชื่้ข้้อมืู่ลจำ�กหล�ยเซึ่นเซึ่อร์ แบบจำำ�ลองและข้้อมืู่ลที่ี�ใชื่้ในก�รคำ�นวัณ์ (Vassiliadis et al., 2020)
รวัมื่ถื่งภ�พและกลิ�น แสด้งให้เห็นที่ิศัที่�งที่ี�น่�สนใจำในก�รนำ� สำ�หรับโรงง�นเด้ิมื่ ก�รเริ�มื่ต้นใน Advisory Mode อ�จำเหมื่�ะสมื่กวั่�
ข้้อมืู่ลคุณ์ภ�พมื่�ใชื่้ประกอบก�รตัด้สินใจำระหวั่�งกระบวันก�ร โด้ยให้ระบบเสนอค่�ที่ี�แนะนำ�ควับคู่กับผู้ควับคุมื่เคร่�องและ
อย่�งไรก็ต�มื่ Soft Sensor ควัรใชื่้เป็นเคร่�องมื่่อสนับสนุนก�รตัด้สินใจำ บันที่่กผล ก่อนพิจำ�รณ์�ไปสู่ก�รควับคุมื่อัตโนมื่ัติ ระบบควัรมื่ีวัิธีีกลับสู่
ไมื่่ใชื่่นำ�มื่�ใชื่้เพ่�อที่ด้แที่นก�รตรวัจำย่นยันที่ั�งหมื่ด้ โด้ยเฉพ�ะ สภ�วัะหร่อสูตรที่ี�ผ่�นก�รรับรองแล้วัเมื่่�อเซึ่นเซึ่อร์เสีย ข้้อมืู่ลข้�ด้
ก�รประเมื่ินควั�มื่ชื่่�นซึ่่�งไมื่่เพียงพอที่ี�จำะนำ�มื่�ใชื่้ย่นยันค่� water หร่อโมื่เด้ลพบสภ�วัะนอกข้อบเข้ต ข้ณ์ะที่ี�ระบบป้องกันและ
activity หร่อควั�มื่ปลอด้ภัยที่�งจำุลชื่ีวัวัิที่ย�ได้้ Interlock ต้องส�มื่�รถืที่ำ�ง�นได้้โด้ยไมื่่พ่�งคำ�แนะนำ�จำ�ก AI
จาก Digital Twin สุ่่ Predictive Control Optimize ให้้ “ทน” ต่่อความแปรปรวน ไม่ใช่่แค่ดีีที�สุุดี
Digital Twin ที่ี�มื่ีประโยชื่น์ต่อก�รผลิตไมื่่ใชื่่เพียงภ�พจำำ�ลองส�มื่มื่ิติ ในห้้องทดีลอง
หร่อหน้�จำอแสด้งข้้อมืู่ล แต่ต้องเป็นแบบจำำ�ลองที่ี�สัมื่พันธี์กับ สำ�หรับวััตถืุด้ิบ ก�รเล่อกคำ�ตอบที่ี�ให้ค่�ผลลัพธี์ด้ีที่ี�สุด้เพียง
เคร่�องจำักรจำริงและได้้รับข้้อมืู่ลก�รอัปเด้ตอย่�งต่อเน่�อง ผู้ลงทีุ่น อย่�งเด้ียวัอ�จำไมื่่ใชื่่ที่�งเล่อกที่ี�เหมื่�ะสมื่ เพร�ะค่�เฉลี�ยอ�จำอยู่ใกล้
จำ่งควัรตรวัจำสอบให้ชื่ัด้วั่�ระบบส�มื่�รถืที่ำ�ได้้ถื่งระด้ับใด้ ตั�งแต่ ข้อบเข้ตข้องสเปกจำนที่ำ�ให้ก�รผลิตจำริงมื่ีควั�มื่เสี�ยง เมื่่�อวััตถืุด้ิบ
ก�รติด้ต�มื่สถื�นะ ก�รที่ำ�น�ย ไปจำนถื่งก�รส่งคำ�สั�งกลับไปควับคุมื่ เปลี�ยนแปลงหร่อแบบจำำ�ลองเกิด้ควั�มื่คล�ด้เคล่�อน ผลลัพธี์ที่ี�ได้้
กระบวันก�ร รวัมื่ถื่งตรวัจำสอบวั่�ควั�มื่ส�มื่�รถืในแต่ละระด้ับผ่�น ก็อ�จำหลุด้ออกนอกเกณ์ฑ์์ที่ี�กำ�หนด้
ก�รที่ด้สอบและใชื่้ง�นจำริงมื่�แล้วัในระด้ับใด้ (Abdurrahman & Robust Optimization จำ่งพิจำ�รณ์�ควั�มื่แปรปรวันข้องวััตถืุด้ิบ
Ferrari, 2025) และควั�มื่ไมื่่แน่นอนข้องแบบจำำ�ลอง ข้ณ์ะที่ี� Stochastic
Optimization จำะใชื่้ก�รแจำกแจำงควั�มื่น่�จำะเป็นเมื่่�อมื่ีข้้อมืู่ลรองรับ
แนวัคิด้สำ�คัญค่อ เปลี�ยนคำ�ถื�มื่จำ�ก “ค่�ที่ี�ด้ีที่ี�สุด้ค่อเที่่�ไร” เป็น
“ควัรเล่อกค่�อย่�งไรจำ่งให้ผลด้ีภ�ยใต้สภ�วัะที่ี�อ�จำเกิด้ข้่�นจำริง”
(Vassiliadis et al., 2020)
ก�รที่ำ� Process Optimization ข้ั�นสูงควัรเริ�มื่จำ�กปัญห�ที่ี�วััด้
มืู่ลค่�ได้้จำริง เชื่่�อมื่โยงข้้อมืู่ลก�รผลิตอย่�งถืูกต้อง และที่ด้สอบโมื่เด้ล
ด้้วัยข้้อมืู่ลที่ี�ไมื่่เคยใชื่้ในก�รฝึึก เพ่�อให้ผลลัพธี์สะที่้อนก�รใชื่้ง�นจำริง
ที่้�ยที่ี�สุด้ คุณ์ค่�ข้อง Process Optimization ไมื่่ได้้อยู่ที่ี�ก�รมื่ี AI ที่ี�
มื่ีควั�มื่ซึ่ับซึ่้อนที่ี�สุด้ แต่อยู่ที่ี�ก�รที่ำ�ให้ก�รตัด้สินใจำด้ีข้่�นอย่�ง
ตรวัจำสอบได้้ โด้ยผส�นศัักยภ�พข้อง AI เข้้�กับข้้อจำำ�กัด้และ
ประสบก�รณ์์ข้องบุคล�กรในโรงง�น เพ่�อสร้�งผลลัพธี์ที่ี�ด้ีข้่�น
ที่ั�งระบบ
54 FOOD FOCUS THAILAND OCT 2026
22/9/2569 BE 19:15
52-56_Source of Engineer_Ravis.indd 54 22/9/2569 BE 19:15
52-56_Source of Engineer_Ravis.indd 54
